.png){kind=icon}
返回
Style-Specific Diffusion for Architectural Classification: Enhancing Performance Through Class-Adapted LoRA Augmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-15984-7_34.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文针对建筑风格分类中训练数据有限的问题，提出了一种基于潜在扩散模型和类别特定低秩适配器（LoRA）的新型数据增强框架。我们以巴西建筑风格作为案例研究，探讨了一类具有以下关键特征的视觉分类问题：主观分类且专家意见不一致、类别边界模糊、特征空间连续而非离散、历史演变中的类别。我们的方法生成保留风格定义特征的同时引入有意义变化的合成图像，以提升分类器性能。与在像素级别操作的 traditional augmentation methods 不同，我们的扩散模型方法捕捉了潜在的语义分布，尤其适用于类别区分依赖细微特征组合而非孤立元素的领域。我们在五种建筑风格（巴洛克、新古典主义、折衷主义、新哥特式和现代主义）上评估了多种神经网络架构和增强策略。结果显示性能显著提升，结合生成增强与传统增强的平均准确率提升5.8%。值得注意的是，在使用增强数据时，单层架构优于多层架构，表明过拟合减少。风格特定改进从现代主义（已达100%准确率）的0%到巴洛克风格的10.5%不等。我们的方法为艺术风格分类、历史文物分类、时尚趋势分析等领域提供了通用的框架，这些领域中的类别存在于连续统而非离散实体中。
Keyword:
Data augmentation
Diffusion models
Architectural style classification
Low-Rank Adaptation
Deep learning
期刊
I
IF:
0
论文数:
38
被引数:
0
机构
引用论文
分享收藏Data augmentation method using diffusion models for tomato leaf discrimination problem基于扩散模型的番茄叶片鉴别问题的数据增强方法.png)
IF0
PREAI
分享收藏Burg, M.F.; Wenzel, F.; Zietlow, D.; Horn, M.; Makansi, O.; Locatello, F.; Russell, C. Image Retrieval Outperforms Diffusion Models on Data Augmentation. arXiv 2023, arXiv:2304.10253. [Google Scholar] [CrossRef]Burg, M.F.; Wenzel, F.; Zietlow, D.; Horn, M.; Makansi, O.; Locatello, F.; Russell, C. 图像检索在数据增强方面优于扩散模型。arXiv 2023, arXiv:2304.10253. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容